A. P. Batchelor-c and . Parsons-e, « Trajectories of collaboration and competition in a medical discovery, Science Technology and Human Values, vol.23, issue.3, pp.259-284, 1998.

B. M. Eckert-d and . Maisonobe-m, « Worlds of Scientific Cooperation. Choosing appropriate data for specific networks, 17th European Colloquium on Quantitative and Theoretical Geography, pp.2-5, 2011.

B. V. Kejzar-n and . J. Korenjak-cerne, « Analyzing the structure of U.S. patents network Data Science and Classification, 2006.

E. D. Baron, J. L. , G. M. Losego-p, and . Milard-b, « Les villes et la science : apports de la spatialisation des données bibliométriques mondiales ». M@ppemonde, n° 110. http://mappemonde.mgm.fr/num38 « La territorialisation comme contrepoint à l'internationalisation des activités scientifiques, L'internationalisation des systèmes de recherche en action. Les cas français et suisse : Presses Polytechniques et Universiataires Romandes (PPUR), pp.281-300, 1999.

K. K. Bohr-v, « The DNA Repair interest group : a global village, DNA Repair, vol.4, issue.4, pp.405-406, 2005.

L. E. Html, J. Mounier-l, and . Stofer-r, « Des poissons et des mares : l'analyse de réseaux multiniveaux/revue-francaise-de-sociologie-2007-1- page-93 « Local emergence and global diffusion of research technologies : an exploration of patterns of network formation », M@ppemonde Journal of the American Society for Information Science and Technology, vol.110, issue.62 5, pp.93-131, 2007.

M. M. Giglia-mari and . Eckert-d, « DNA Repair : A changing geography, DNA Repair, vol.12, 1964.

M. C. Schwarz-a and F. S. , The top-level global research system, 1997-99 : centres, networks and nodality. An analysis based on bibliometric indicators, Urban Studies, vol.39, pp.5-6, 1080.

R. E. Solla and P. D. , Diffusion of innovations Little Science, Big Science, 1962.

P. W. White-d, . Koput-k, and . J. Owen-smith, « Network dynamics and field evolution : the growth of interorganizational collaboration in the Life Sciences, American Journal of Sociology, vol.110, issue.4, pp.1132-1205, 2004.

«. Diffusion-spatiale, T. A. Wal, and . Boschma-r, « Applying social network analysis in economic geography : framing some key analytic issues ». The Annals of Regional Sciences, pp.1-4, 2009.

. Pour-chaque-période, Lors de l'émergence, les membres sont peu nombreux et ne sont pas forcément en contact les uns avec les autres Plus les opportunités de recherche se développent, plus le groupe attire de participants. Les relations se densifient jusqu'à ce que se forme un cluster bien identifié. Les membres reconnaissent leur appartenance à ce groupe et contribuent à son institutionnalisation, à sa légitimation en organisant des rencontres, des formations et en créant une ou des revue(s) spécialisée(s). Petit à petit, le groupe ne grandit plus, il est arrivé à saturation (en termes de potentiel scientifique) mais cherche à se maintenir socialement, Mullins situe son analyse au niveau des individus sans questionner l'effet de leurs localisations géographiques sur le collectif scientifique et son évolution

. En, algorithme de visualisation Fuchterman-Reingold, les noeuds liés apparaissent proches les uns des autres et le rendu ne tient pas compte de la localisation géographique des acteurs du réseau (pour une discussion sur le choix de l'algorithme, voir, par exemple, 2011.

. Ducruet, 2011) mais l'unité de base de la présente analyse de réseau est l'agglomération. Les collaborations locales sont exclues de l'analyse : le niveau local n'est pas le niveau d'organisation spatial de la recherche qui est mis en question dans le présent article, Les liens réflexifs peuvent être importants en analyse multiniveau

L. 'indice-de-centralité-d-'intermédiarité, ?. , and «. Betweenness, ? d'un noeud i est le nombre de plus courts chemins du graphe passant par i sur l'ensemble des plus courts chemins du graphe

L. Communauté-de-la, ADN est également très concentrée dans la triade. Cette organisation remonte aux années 1960 : voir le récent article publié dans la revue DNA Repair à ce sujet, 2013.

. York, #Baltimore, #Durham, #Tokyo, #Utrecht, #Brighton, #London, #Pavie, #Dallas, #Boston, #Toronto, #Galveston, #Aarhus, #Houston, #Livermore, #Los-Angeles, #Amsterdam, #Sao-Paulo, #Chicago, #Genève, #Kanazawa et #Zurich, Même si ce sont ces agglomérations qui sont les plus concernées par les effets d'agrégation des données, ces effets ne suffisent pas à expliquer ce résultat

A. États-unis, cette part passe de 53 % (la plus élevée avant la part japonaise de 41 %) à 35 %